深度学习在胸部CT图像分割中的应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 计算机辅助诊断系统的研究现状 | 第12-13页 |
| 1.2.2 胸部CT图像区域分割算法的研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 第二章 医学图像分割概述 | 第16-29页 |
| 2.1 CT图像相关知识 | 第16-21页 |
| 2.1.1 CT成像原理 | 第16-19页 |
| 2.1.2 CT成像过程 | 第19-20页 |
| 2.1.3 CT影像特点 | 第20-21页 |
| 2.2 医学图像分割的定义 | 第21页 |
| 2.3 常用的医学图像分割方法 | 第21-28页 |
| 2.3.1 基于区域的分割方法 | 第21-25页 |
| 2.3.2 基于边缘的图像分割方法 | 第25-26页 |
| 2.3.3 基于特定理论的图像分割方法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的胸部CT图像分割 | 第29-47页 |
| 3.1 概述 | 第29-30页 |
| 3.2 卷积神经网络的设计 | 第30-35页 |
| 3.2.1 模型概述 | 第30-32页 |
| 3.2.2 卷积层的设计 | 第32-33页 |
| 3.2.3 全连接层的设计 | 第33-34页 |
| 3.2.4 Softmax层的设计 | 第34-35页 |
| 3.3 防止过拟合 | 第35-36页 |
| 3.3.1 数据增强 | 第35页 |
| 3.3.2 随机失活 | 第35-36页 |
| 3.4 模型的实验 | 第36-43页 |
| 3.4.1 Caffe平台 | 第36-37页 |
| 3.4.2 实验数据的准备 | 第37-38页 |
| 3.4.3 卷积神经网络训练测试方法 | 第38-39页 |
| 3.4.4 评判准则 | 第39-40页 |
| 3.4.5 对比实验设定 | 第40页 |
| 3.4.6 设置训练参数 | 第40-41页 |
| 3.4.7 训练卷积神经网络 | 第41-43页 |
| 3.5 实验结果分析 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于端对端神经网络的胸部CT图像分割 | 第47-62页 |
| 4.1 概述 | 第47-48页 |
| 4.2 端对端神经网络的设计 | 第48-52页 |
| 4.2.1 模型概述 | 第48-49页 |
| 4.2.2 全连接层的更改 | 第49-50页 |
| 4.2.3 反卷积层的设计 | 第50-51页 |
| 4.2.4 整体网络结构 | 第51-52页 |
| 4.3 模型的实验 | 第52-56页 |
| 4.3.1 实验软件及硬件环境 | 第52页 |
| 4.3.2 胸部CT分割的具体实现步骤 | 第52-53页 |
| 4.3.3 实验数据的准备与获取 | 第53-54页 |
| 4.3.4 评判准则 | 第54页 |
| 4.3.5 参数的设置 | 第54页 |
| 4.3.6 对比实验算法 | 第54-55页 |
| 4.3.7 模型的训练 | 第55-56页 |
| 4.4 实验结果分析 | 第56-61页 |
| 4.4.1 实验结果 | 第56-60页 |
| 4.4.2 特征可视化 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 致谢 | 第69页 |
